Add to Wishlist Rate คืออะไร? คนชอบสินค้าพอจะเก็บไว้ไหม

“สินค้าชิ้นหนึ่งมีคนดูเยอะ กด Wishlist เยอะ แต่ยอดขายต่ำ ปัญหาอาจไม่ใช่ว่าสินค้าไม่น่าสนใจ แต่อาจเป็นเพราะลูกค้าชอบมากพอจะเก็บไว้ แต่ยังไม่พร้อมจ่ายเงินในวันนี้”

Add to Wishlist Rate คือสูตรวิเคราะห์ที่ช่วยดูว่าจากการดูสินค้าทั้งหมด มี AddToWishlist Events เกิดขึ้นมากน้อยแค่ไหน เพื่อทำความเข้าใจว่าลูกค้าสนใจสินค้าพอที่จะเก็บไว้กลับมาดูภายหลังหรือไม่

E-commerce ส่วนใหญ่มักดู Funnel แบบตรงไปตรงมา:

ViewContent → AddToCart → Purchase

แต่พฤติกรรมของลูกค้าไม่ได้เดินเป็นเส้นตรงทุกครั้ง

ลูกค้าบางคนอาจ:

1. ดูสินค้า
2. ชอบสินค้า
3. ยังไม่พร้อมซื้อ
4. บันทึกไว้ใน Wishlist
5. กลับมาดูภายหลัง
6. รอโปรโมชั่น
7. แล้วค่อยตัดสินใจซื้อ

Meta รองรับ AddToWishlist เป็น Standard Event สำหรับติดตามเหตุการณ์ที่ผู้ใช้เพิ่มสินค้าเข้า Wishlist เช่น การกดปุ่ม Add to Wishlist บนเว็บไซต์

ดังนั้น Wishlist จึงเปิดอีกเส้นทางหนึ่งของ Customer Journey:

ViewContent → AddToWishlist → กลับมาดู → Purchase

เส้นทางนี้มีความสำคัญมากกับสินค้าที่:

• ราคาสูง
• ต้องเปรียบเทียบหลายตัวเลือก
• ซื้อไม่บ่อย
• รอเงินเดือน
• รอโปรโมชั่น
• มีหลายสี หลายไซซ์ หรือหลายรุ่น

ถ้าสินค้ามี AddToWishlist สูงแต่ Purchase ต่ำ จึงไม่ควรสรุปทันทีว่าสินค้าไม่ดี เพราะปัญหาอาจอยู่ที่ราคา โปรโมชั่น สต็อก ความเร่งด่วน หรือจังหวะการตัดสินใจ

ในทางกลับกัน Wishlist สูงก็ไม่ได้รับประกันว่ายอดขายจะตามมา เพราะลูกค้าสามารถเก็บสินค้าไว้แล้วไม่กลับมาซื้อได้เช่นกัน

Key Message คือ การกด Wishlist เป็นสัญญาณว่าลูกค้าสนใจสินค้ามากพอจะเก็บไว้ แต่ธุรกิจต้องวัดต่อว่าความสนใจนั้นติดอยู่ตรงไหน และสุดท้ายเปลี่ยนเป็น Purchase ได้จริงหรือไม่

Add to Wishlist Rate คืออะไร

Add to Wishlist Rate คือสูตรวิเคราะห์ที่ใช้ดู AddToWishlist Events เทียบกับจำนวน ViewContent Events เพื่อประเมินว่าหลังจากคนดูสินค้าแล้ว มีการบันทึกสินค้าไว้ใน Wishlist มากน้อยแค่ไหน

สูตรพื้นฐาน:

Wishlist Rate = AddToWishlist ÷ ViewContent × 100

ตัวอย่าง:

• ViewContent = 100,000 Events
• AddToWishlist = 5,000 Events

ดังนั้น:

5,000 ÷ 100,000 × 100 = 5%

ในเชิง Event Funnel สามารถพูดได้ว่า AddToWishlist Events มีจำนวนเทียบเท่าประมาณ 5% ของ ViewContent Events ที่นำมาวิเคราะห์

แต่ต้องระวังอย่างมากว่า:

Wishlist Rate ไม่ใช่ชื่อ Metric มาตรฐานของ Meta

และถ้า Numerator กับ Denominator เป็น Event Counts ก็ไม่ควรเรียกว่า:

“5% ของคนที่ดูสินค้าแล้วกด Wishlist”

โดยอัตโนมัติ

เพราะผู้ใช้หนึ่งคนสามารถ:

• ดูสินค้าหลายครั้ง
• ดูสินค้าหลายรายการ
• เพิ่มหลายสินค้าเข้า Wishlist

ได้

คำที่แม่นยำกว่าคือ:

“อัตรา AddToWishlist Events เทียบกับ ViewContent Events”

ถ้าธุรกิจมีข้อมูลระดับ User หรือ Session ที่เชื่อมกันได้ จึงสามารถสร้าง Person-based หรือ Cohort-based Rate ที่ลึกกว่าได้

---

AddToWishlist Event คืออะไร

AddToWishlist คือ Standard Event ของ Meta สำหรับเหตุการณ์ที่ผู้ใช้เพิ่มสินค้าเข้า Wishlist

ตัวอย่างตามแนวทางของ Meta คือ:

การคลิกปุ่ม Add to Wishlist บนเว็บไซต์

ดูรายละเอียดได้ที่ Meta Business Help Center เรื่อง Pixel Standard Events

ในระบบรายงาน Meta ยังมี Metric สำหรับจำนวน Add to Wishlist Events ที่ Attribution กลับมายังโฆษณา โดยอ้างอิงข้อมูลที่ได้รับจาก Meta Business Tools ที่เชื่อมต่อ

ดูนิยามได้ที่ Meta Business Help Center เรื่อง Adds to Wishlist

Customer Journey ตัวอย่าง:

1. ลูกค้าเห็นโฆษณา
2. เข้า Product Page
3. เกิด ViewContent
4. กดรูปหัวใจหรือปุ่มบันทึก
5. เกิด AddToWishlist
6. กลับมาดูภายหลัง
7. อาจเกิด AddToCart และ Purchase

แต่ Event ควรถูก Trigger จากพฤติกรรมจริง

ตัวอย่างที่ควรระวัง:

• ยิง AddToWishlist ทันทีที่เปิด Product Page
• ยิง Event ตอนเอาเมาส์ผ่านปุ่ม
• ยิงซ้ำทุกครั้งที่ Refresh หน้า
• ยิงทั้งตอน Add และ Remove Wishlist

ปัญหาเหล่านี้ทำให้ข้อมูลสูงเกินจริง

หลักการคือ:

AddToWishlist ควรสะท้อนเหตุการณ์ที่ผู้ใช้เพิ่มสินค้าหรือแสดงความสนใจแบบ Wishlist ตาม Business Logic จริงของเว็บไซต์

Meta ยังมี Event Setup Tool สำหรับช่วยตั้ง Standard Events บนเว็บไซต์ในบางกรณีโดยไม่ต้องเขียน Code ทั้งหมดเอง

ดูแนวทางได้ที่ Meta Business Help Center เรื่อง Event Setup Tool

---

Wishlist ต่างจาก AddToCart อย่างไร

ทั้งสอง Event แสดงความสนใจต่อสินค้า

แต่ Intent ไม่เหมือนกัน

AddToWishlist มักสะท้อนว่า

• ชอบสินค้า
• อยากเก็บไว้
• ยังไม่พร้อมซื้อ
• ต้องการเปรียบเทียบ
• รอราคา
• รอช่วงเวลาที่เหมาะสม

AddToCart มักสะท้อนว่า

• กำลังขยับเข้าใกล้ Transaction
• ต้องการตรวจราคารวม
• ต้องการดูค่าจัดส่ง
• กำลังเตรียม Checkout

ลองดู Funnel แบบตรง:

ViewContent → AddToCart → InitiateCheckout → Purchase

กับ Funnel แบบ Wishlist:

ViewContent → AddToWishlist → Return Visit → AddToCart → Purchase

สินค้าแต่ละประเภทอาจมี Pattern ต่างกัน

สินค้า Impulse Buy

เช่นสินค้าราคาต่ำหรือ Flash Sale

อาจมี:

• Wishlist ต่ำ
• Purchase สูง

เพราะคนไม่จำเป็นต้องเก็บไว้

สินค้าราคาสูง

เช่น:

• แฟชั่นพรีเมียม
• เฟอร์นิเจอร์
• อุปกรณ์อิเล็กทรอนิกส์

อาจมี:

• Wishlist สูง
• Conversion Delay ยาว

เพราะต้องใช้เวลาตัดสินใจมากกว่า

ดังนั้นอย่าตั้ง Benchmark ว่า:

Wishlist ต้องสูงกว่า AddToCart เสมอ

หรือ:

AddToCart ต้องสูงกว่า Wishlist เสมอ

ต้องดู Product Type และ Customer Journey ประกอบ

สำหรับคนที่ต้องการเข้าใจ Meta Pixel, Standard Events และการวิเคราะห์ Funnel แบบเชื่อมกัน สามารถดูรายละเอียดได้ที่ คอร์ส Facebook Ads Zero to Advance (DigitalD2M)

---

สูตร Wishlist Rate

สูตรที่ใช้วิเคราะห์เบื้องต้นคือ:

Wishlist Rate = AddToWishlist ÷ ViewContent × 100

ตัวอย่างสินค้า A:

• ViewContent = 50,000
• AddToWishlist = 5,000

Wishlist Rate:

10%

สินค้า B:

• ViewContent = 50,000
• AddToWishlist = 1,000

Wishlist Rate:

2%

ถ้าดูเพียง Ratio สินค้า A สร้าง Wishlist Action ได้ดีกว่า

แต่ยังไม่ควรสรุปว่า A เป็นสินค้าที่ดีกว่าเสมอไป

ต้องดูต่อว่า:

• ราคาเท่ากันหรือไม่
• สินค้าอยู่ใน Stock หรือไม่
• AddToCart เท่าไร
• Purchase เท่าไร
• Margin เท่าไร

ตัวอย่าง:

สินค้า A

• Wishlist Rate = 10%
• Purchase = 100

สินค้า B

• Wishlist Rate = 2%
• Purchase = 2,000

สินค้า A อาจเป็น:

สินค้าที่คนชอบแต่ไม่ซื้อ

สินค้า B อาจเป็น:

สินค้าที่ไม่ต้องเก็บเพราะคนซื้อทันที

ดังนั้น Wishlist Rate ต้องถูกอ่านคู่กับ Purchase Speed และ Business Outcome

---

สูตร Wishlist-to-Purchase Rate

อีกสูตรที่ธุรกิจสามารถต่อยอดได้คือ:

Wishlist-to-Purchase Rate = Purchase ÷ AddToWishlist × 100

ตัวอย่าง:

• AddToWishlist = 5,000 Events
• Purchase = 1,000 Events

Ratio:

1,000 ÷ 5,000 × 100 = 20%

แต่สูตรนี้ต้องระวังมากกว่าสูตรแรก

ถ้าใช้ Event Counts รวมทั้งเว็บไซต์ Purchase 1,000 Events อาจมาจาก:

• คนที่เคย Wishlist
• คนที่ไม่เคย Wishlist
• สินค้าอื่น
• Campaign อื่น

ทั้งหมดปนกัน

ดังนั้นไม่ควรเรียก Ratio นี้ว่า:

“20% ของคนที่ Wishlist แล้วซื้อ”

เว้นแต่ธุรกิจสามารถเชื่อม Cohort หรือ Customer Journey ได้จริง

คำที่ปลอดภัยกว่าสำหรับข้อมูลรวมคือ:

Observed Wishlist-to-Purchase Ratio

และควร Align:

• สินค้าเดียวกัน
• ช่วงเวลาเดียวกัน
• Data Source เดียวกัน
• Attribution Scope ที่เหมาะสม

ก่อนเปรียบเทียบ

วิธีที่ดีกว่า: Cohort Analysis

ถ้าระบบ E-commerce รองรับ ลองสร้าง Cohort:

1. กลุ่มคนที่ AddToWishlist ในเดือนนี้
2. ติดตามว่าภายใน 7 วันซื้อกี่คน
3. ภายใน 30 วันซื้อกี่คน
4. ภายใน 60 วันซื้อกี่คน

จากนั้นธุรกิจจะเริ่มรู้ว่า:

Wishlist เป็น Leading Indicator ของยอดขายจริงหรือเป็นเพียงที่เก็บสินค้าที่คนไม่เคยซื้อ

---

ทำไม Event Rate ไม่เท่ากับเปอร์เซ็นต์ของคนเสมอไป

นี่คือจุดที่สำคัญมากสำหรับการอ่าน Meta Events

สมมุติผู้ใช้คนหนึ่ง:

1. เปิดสินค้า A สามครั้ง
2. เปิดสินค้า B สองครั้ง
3. AddToWishlist สินค้า A
4. AddToWishlist สินค้า B

อาจเกิด:

• ViewContent = 5 Events
• AddToWishlist = 2 Events

ถ้าคำนวณ:

2 ÷ 5 × 100 = 40%

นี่คือ Event Ratio

ไม่ใช่:

40% ของคน

เพราะในตัวอย่างมีผู้ใช้เพียงคนเดียว

ดังนั้นก่อนใช้คำว่า Rate ต้องรู้ว่า Data Set เป็น:

• Event Count
• Unique User Count
• Session Count
• Product Count

ถ้า Dashboard ใช้ Event Counts ควรเรียกให้ชัดว่า:

Event-based Wishlist Rate

ถ้ามี Unique User Data:

Unique Wishlist User Rate = Unique Users ที่ AddToWishlist ÷ Unique Product Viewers × 100

สูตรหลังตอบเรื่อง People ได้ใกล้เคียงกว่า

แต่ต้องมีระบบ Analytics หรือ Database ที่รองรับการ Deduplicate User ก่อน

หลักสำคัญคือ:

อย่าเปลี่ยน Event Count ให้กลายเป็นคนด้วยการเปลี่ยนคำใน Report

---

Wishlist สูงแต่ Purchase ต่ำแปลว่าอะไร

Pattern นี้ไม่ได้มีคำตอบเดียว

แต่เป็น Signal ที่ควรขุดต่อ

1. ลูกค้าชอบแต่ราคายังสูง

สินค้าสวย

คนอยากได้

แต่ราคาปัจจุบันยังไม่ทำให้ตัดสินใจซื้อ

พฤติกรรมอาจเป็น:

View → Wishlist → รอ Sale

2. Promotion ยังไม่แรงพอ

ลูกค้าอาจคิดว่า:

“ชอบนะ แต่ขอรอโปรดีกว่านี้”

Wishlist จึงกลายเป็น Waiting Room

3. สินค้าหมดหรือไม่มี Variant ที่ต้องการ

เช่น:

• ไซซ์หมด
• สีหมด
• รุ่นที่ต้องการไม่มี

คนจึงเก็บสินค้าไว้รอ

4. Purchase Journey มี Friction

ลูกค้าชอบสินค้า

แต่:

• ค่าจัดส่งสูง
• Checkout ยาก
• วิธีจ่ายเงินน้อย
• เว็บไซต์ช้า

5. สินค้าเป็น Aspirational Product

บางสินค้าคนชอบเก็บไว้ดู

แต่ความสามารถในการซื้อจริงต่ำ

เช่น:

• Luxury
• สินค้าราคาสูง
• ของสะสม

ดังนั้น:

Wishlist สูง + Purchase ต่ำ

อาจหมายถึง:

Product Desire สูง แต่ Purchase Friction หรือ Timing ยังไม่ถูกแก้

สิ่งที่ควรทำคือหา Gap ต่อ ไม่ใช่รีบสรุปว่าสินค้าไม่มี Demand

---

Wishlist ต่ำแต่ Purchase สูงเป็นปัญหาหรือไม่

ไม่จำเป็น

สินค้าอาจไม่ต้องการ Wishlist เลยก็ได้

ตัวอย่าง:

Flash Sale

ลูกค้าต้องซื้อทันที

ไม่มีเหตุผลให้เก็บไว้

สินค้าราคาต่ำ

Decision Risk ต่ำ

คนซื้อได้ทันที

สินค้าจำเป็น

เช่นของใช้ที่ลูกค้าต้องการตอนนี้

Journey อาจเป็น:

ViewContent → AddToCart → Purchase

โดยข้าม Wishlist ทั้งหมด

ตัวอย่างสินค้า A:

• ViewContent = 100,000
• AddToWishlist = 500
• Purchase = 10,000

Wishlist Rate ต่ำ

แต่ยอดขายสูง

นี่ไม่ใช่ปัญหา

เพราะ Wishlist ไม่ใช่ Objective หลักของทุกสินค้า

Bottom Line คือ:

อย่าพยายามดัน Wishlist ให้สูง ถ้าลูกค้ากำลังซื้อทันทีอยู่แล้ว

Metric ที่ดีต้องสอดคล้องกับ Customer Journey จริง

---

ตัวอย่าง: สองสินค้าได้คนดูเท่ากัน แต่ Wishlist และยอดขายเล่าเรื่องคนละแบบ

สมมุติร้าน Fashion มีสินค้า A และ B

สินค้า A: เสื้อแจ็กเก็ตพรีเมียม

• ViewContent = 100,000
• AddToWishlist = 15,000
• AddToCart = 3,000
• Purchase = 1,000

Wishlist Rate:

15%

Observed Wishlist-to-Purchase Ratio:

ประมาณ 6.67%

สินค้า B: เสื้อยืดราคาพิเศษ

• ViewContent = 100,000
• AddToWishlist = 2,000
• AddToCart = 15,000
• Purchase = 10,000

Wishlist Rate:

2%

ถ้าดู Wishlist อย่างเดียว:

สินค้า A ชนะขาด

ถ้าดู Purchase:

สินค้า B ชนะขาด

แต่สองสินค้ามีบทบาทต่างกัน

สินค้า A อาจเป็น

• High Desire Product
• High Consideration
• Price Sensitive

กลยุทธ์ที่น่าสนใจ:

• Price Drop Campaign
• Back-in-stock Alert
• Wishlist Remarketing
• Installment Offer

สินค้า B อาจเป็น

• Immediate Purchase Product
• Low Consideration
• Strong Offer

กลยุทธ์ที่น่าสนใจ:

• Scale Purchase Campaign
• Bundle
• Upsell

นี่คือประโยชน์ของ Wishlist Data

ไม่ใช่การบอกว่า:

สินค้าตัวไหนดีที่สุดจาก Metric เดียว

แต่ช่วยบอกว่า:

ลูกค้ามีความสัมพันธ์กับสินค้าแต่ละตัวแบบไหน

ธุรกิจที่ต้องการวิเคราะห์ Meta Ads ตั้งแต่ Product Interest ไปจนถึง Conversion และ Revenue สามารถดูรายละเอียดได้ที่ บริการรับทำโฆษณา Facebook, TikTok และ Google Ads

---

ควรวิเคราะห์ Wishlist แยกตามอะไรบ้าง

การดู AddToWishlist รวมทั้งเว็บไซต์อาจกว้างเกินไป

ควรแยกอย่างน้อยตามมิติสำคัญ

1. Product

สินค้าไหนถูกเก็บมากที่สุด

2. Category

หมวดไหนมี Wishlist Behaviour สูง

3. Price Range

สินค้าราคาแพงถูก Wishlist มากกว่าแต่ซื้อช้ากว่าหรือไม่

4. Campaign

Campaign ไหนสร้าง:

• คนดู
• คน Wishlist
• คนซื้อ

ในสัดส่วนต่างกัน

5. Creative

Creative บางชิ้นอาจสร้าง:

• Purchase ทันที

อีกชิ้นสร้าง:

• ความอยากได้ระยะยาว

6. New กับ Returning Customer

ลูกค้าใหม่อาจ Wishlist ก่อน

ลูกค้าเก่าอาจซื้อทันทีเพราะมี Trust แล้ว

เมื่อแยกข้อมูล ธุรกิจจะเริ่มรู้ว่า:

Wishlist สูงเกิดจากสินค้าน่าสนใจจริง หรือเกิดจาก Audience ที่ยังไม่พร้อมซื้อ

---

Wishlist บอกโอกาสทางการตลาดอะไร

คนที่ AddToWishlist เป็นกลุ่มที่น่าสนใจ เพราะเคยแสดง Special Interest ต่อสินค้า

แต่กลยุทธ์ไม่ควรมีเพียง:

“ยิงแอดตามทุกคนที่ Wishlist ด้วยส่วนลด”

ควรดูเหตุผลของการยังไม่ซื้อ

กรณีราคาเป็นอุปสรรค

อาจใช้:

• Price Drop
• Installment
• Bundle

กรณีสินค้าหมด

อาจใช้:

• Back in Stock
• Restock Alert

กรณีต้องการ Trust

อาจใช้:

• Review
• UGC
• Case Study
• Guarantee

กรณีซื้อช้าเป็นธรรมชาติ

อาจต้องใช้:

• Longer Remarketing Window
• Content Nurturing
• Product Comparison

Meta รองรับ Add to Wishlist เป็นหนึ่งใน Event ที่เกี่ยวข้องกับการสร้าง Website และ App Event Audiences ในบริบทที่ระบบและบัญชีมีสิทธิ์ใช้งาน

แต่ก่อนใช้ Audience Strategy ต้องตรวจ:

• Privacy
• Consent
• Event Quality
• Audience Size

ให้เหมาะสม

AI สามารถช่วยรวม Product, Wishlist, Creative และ Purchase Data เพื่อหา Pattern ว่าสินค้าแบบไหนถูกเก็บแต่ไม่ซื้อ โดยดูแนวทางต่อยอดได้ที่ คอร์ส AI Driven Marketing & Advertising

---

ติด AddToWishlist Event อย่างไรไม่ให้ข้อมูลผิด

ก่อนวิเคราะห์ Wishlist ต้องแน่ใจก่อนว่า Event ถูกยิงถูกต้อง

1. Trigger เมื่อ Add จริง

ไม่ใช่เมื่อ:

• เปิดหน้า
• Hover
• เห็นปุ่ม

2. แยก Add กับ Remove

การเอาสินค้าออกจาก Wishlist ไม่ควรยิง AddToWishlist ซ้ำ

3. ส่งข้อมูลสินค้าให้สอดคล้องกัน

เช่น:

• Product ID
• Content ID
• Value
• Currency

ตามโครงสร้างที่ธุรกิจและ Integration ใช้

4. ตรวจ Browser และ Server Logic

ถ้าส่งทั้ง Pixel และ Conversions API ต้องตรวจ:

• Event Name
• Event ID
• Deduplication
• Event Time

อย่าให้ Wishlist หนึ่งครั้งถูกนับสองครั้งเพราะ Browser กับ Server ส่งซ้ำโดยไม่ Deduplicate

5. เทียบกับ Database จริง

ตัวอย่างหนึ่งวัน:

• Database Wishlist Adds = 1,000
• Meta AddToWishlist = 2,500

ควรตั้งคำถามทันที

ในทางกลับกัน:

• Database = 1,000
• Meta = 100

ก็ต้องตรวจ Coverage เช่นกัน

ตัวเลขไม่จำเป็นต้องเท่ากันเป๊ะทุกกรณีเพราะระบบและ Attribution ต่างกัน

แต่ความต่างผิดปกติต้องมีคำอธิบาย

---

Framework WISH สำหรับวิเคราะห์ Wishlist ตั้งแต่ความชอบไปถึงยอดขาย

แทนที่จะดู AddToWishlist เป็นตัวเลขเดี่ยว ลองใช้ Framework WISH

1. W – Watch Product Views: ดูว่ามีคนเข้าดูสินค้าเท่าไร
2. I – Inspect Wishlist Actions: วิเคราะห์ AddToWishlist และ Wishlist Rate
3. S – Study the Purchase Gap: หาเหตุผลที่ความชอบยังไม่กลายเป็นการซื้อ
4. H – Hunt for Revenue: ติดตามการกลับมา Purchase และผลลัพธ์ทางธุรกิจ

W – Watch Product Views

เริ่มจาก:

• ViewContent
• Product
• Category
• Traffic Source

เพื่อรู้ว่าสินค้าตัวไหนได้รับความสนใจตั้งแต่ต้น

I – Inspect Wishlist Actions

ดู:

• AddToWishlist
• Wishlist Rate
• Product ที่ถูกเก็บสูง

S – Study the Purchase Gap

ตรวจ:

• ราคา
• Promotion
• Stock
• Shipping
• Checkout

ว่าทำไม Desire ยังไม่เดินต่อ

H – Hunt for Revenue

สุดท้ายวัด:

• Return Visit
• AddToCart
• Purchase
• Revenue
• Margin

Framework WISH ช่วยเปลี่ยนคำถามจาก:

“สินค้าไหนคนกดหัวใจเยอะ”

เป็น:

“สินค้าไหนสร้าง Desire และอะไรคือสิ่งที่ขวางไม่ให้ Desire นั้นกลายเป็น Revenue”

---

Masterclass: วิเคราะห์ Wishlist อย่างไรให้เห็นโอกาสมากกว่าตัวเลขหัวใจ

Masterclass 1: Wishlist สูงอาจเป็น Demand Signal ที่ยังติด Price Gap

Masterclass 2: Wishlist Rate สูงไม่ได้แปลว่า Purchase Funnel แข็งแรง

Masterclass 3: อย่าใช้ส่วนลดเป็นคำตอบแรกทุกครั้งที่ Wishlist สูง

---

Danger Zone: 5 จุดพลาดในการอ่าน Add to Wishlist Rate

ข้อผิดพลาดที่ 1: เรียก Event-based Wishlist Rate ว่าเปอร์เซ็นต์ของคนทันที
ViewContent และ AddToWishlist อาจเป็น Event Counts ที่ผู้ใช้คนเดียวสร้างซ้ำได้ ผลเสียคือทีมตีความ User Conversion สูงหรือต่ำผิด วิธีหลีกเลี่ยงคือระบุว่าเป็น Event-based Rate หรือใช้ Unique User Data เมื่อมี

ข้อผิดพลาดที่ 2: คิดว่า Wishlist สูงเท่ากับยอดขายในอนาคต
คนสามารถเก็บสินค้าแล้วไม่กลับมาซื้อได้ ผลเสียคือธุรกิจ Forecast Revenue สูงเกินจริง วิธีหลีกเลี่ยงคือวัด Return Visit และ Purchase ต่อ

ข้อผิดพลาดที่ 3: ใช้ Purchase ทั้งเว็บไซต์หาร Wishlist แล้วเรียกว่า Conversion ของผู้ Wishlist
Purchase อาจมาจากคนหรือสินค้าที่ไม่เกี่ยวกับ Wishlist ชุดนั้น ผลเสียคือสร้าง Conversion Rate ปลอม วิธีหลีกเลี่ยงคือ Align Product, Period และ Cohort ให้มากที่สุด

ข้อผิดพลาดที่ 4: เห็น Wishlist สูงแล้วลดราคาทันที
ปัญหาอาจมาจาก Stock, Size, Shipping หรือ Trust ผลเสียคือเสีย Margin โดยไม่แก้ Friction จริง วิธีหลีกเลี่ยงคือ Audit Purchase Gap ก่อนเลือก Promotion

ข้อผิดพลาดที่ 5: ไม่ตรวจ Event Tracking ก่อนวิเคราะห์
AddToWishlist อาจยิงซ้ำ ยิงตอนเปิดหน้า หรือไม่ Deduplicate Browser กับ Server ผลเสียคือ Dashboard ดูเหมือนมี Demand สูงกว่าความจริง วิธีหลีกเลี่ยงคือเทียบ Event กับ Database และ Debug Trigger Logic

---

Checklist วิเคราะห์ Add to Wishlist Rate ก่อนสรุปว่าสินค้าคนชอบ

• ตรวจว่า AddToWishlist Trigger ตอนเพิ่มสินค้าเข้า Wishlist จริงแล้วหรือยัง
• ตรวจ ViewContent ใน Scope เดียวกันแล้วหรือยัง
• แยก Event Counts ออกจาก Unique Users แล้วหรือยัง
• คำนวณ Wishlist Rate แบบ Custom อย่างถูกต้องแล้วหรือยัง
• แยก Product และ Category ก่อนเปรียบเทียบแล้วหรือยัง
• ดู AddToCart ควบคู่กับ Wishlist แล้วหรือยัง
• ดู Purchase และ Revenue ต่อแล้วหรือยัง
• ตรวจ Price, Promotion และ Payment Friction แล้วหรือยัง
• ตรวจ Stock, Size และ Product Variant แล้วหรือยัง
• หลีกเลี่ยงการใช้ Purchase รวมทั้งเว็บคำนวณ Cohort แบบผิด ๆ แล้วหรือยัง
• ตรวจ Browser, Server และ Deduplication แล้วหรือยัง
• เทียบ Meta Events กับข้อมูล Wishlist ในระบบจริงแล้วหรือยัง

---

คำถามที่พบบ่อยเกี่ยวกับ Add to Wishlist Rate

1. Add to Wishlist Rate คืออะไร

คือสูตรวิเคราะห์ที่นำ AddToWishlist หารด้วย ViewContent แล้วคูณ 100 เพื่อดู Add to Wishlist Events เทียบกับ Product View Events สูตรนี้เป็น Custom Metric ไม่ใช่ชื่อ Metric มาตรฐานของ Meta

2. AddToWishlist คืออะไร

คือ Standard Event ของ Meta สำหรับเหตุการณ์ที่ผู้ใช้เพิ่มสินค้าเข้า Wishlist เช่น การกดปุ่ม Add to Wishlist บนเว็บไซต์

3. Wishlist Rate สูงแปลว่าสินค้าดีหรือไม่

แปลว่าสินค้าสร้าง Wishlist Action สูงเมื่อเทียบกับตัวหารที่ใช้ แต่ยังต้องดู AddToCart, Purchase, Revenue และ Business Context เพราะคนสามารถชอบสินค้าแต่ไม่ซื้อได้

4. Wishlist-to-Purchase Rate คำนวณอย่างไร

สูตรพื้นฐานคือ Purchase หารด้วย AddToWishlist แล้วคูณ 100 แต่ถ้าใช้ข้อมูลรวม ไม่ควรเรียกว่าเปอร์เซ็นต์ของคนที่ Wishlist แล้วซื้อ เว้นแต่สามารถเชื่อม Cohort หรือ Customer Journey ได้จริง

5. Wishlist สูงแต่ Purchase ต่ำควรทำอย่างไร

ควรตรวจ Price, Promotion, Stock, Size, Shipping, Payment, Trust และ Conversion Delay ก่อนลดราคา เพราะ Purchase Gap ไม่ได้เกิดจากราคาเพียงอย่างเดียว

---

สรุป Add to Wishlist Rate: คนยังไม่ซื้อ ไม่ได้แปลว่าสินค้าไม่มี Demand

Add to Wishlist Rate ช่วยเปิดอีกมุมของ E-commerce Funnel เพราะลูกค้าไม่ได้เดินจากการดูสินค้าไปสู่ AddToCart และ Purchase ทันทีทุกคน

บางคนชอบสินค้ามากพอที่จะเก็บไว้ก่อน โดย Meta รองรับ AddToWishlist เป็น Standard Event สำหรับพฤติกรรมการเพิ่มสินค้าเข้า Wishlist และธุรกิจสามารถนำ Event นี้ไปวิเคราะห์ร่วมกับ ViewContent, AddToCart และ Purchase ได้

แต่ Wishlist สูงไม่ได้รับประกันยอดขาย เพราะ Desire สามารถติดอยู่ที่ราคา โปรโมชั่น Stock, Shipping, Payment หรือ Timing ได้ ในทางกลับกัน Wishlist ต่ำก็ไม่ได้แปลว่าสินค้าไม่ดี ถ้าลูกค้ากำลังซื้อทันทีโดยไม่จำเป็นต้องบันทึกไว้

Bottom Line คือ อย่าถามแค่ว่าคนดูสินค้าแล้วซื้อกี่คน ต้องถามด้วยว่ามีสินค้าตัวไหนที่คนชอบมากพอจะเก็บไว้ และอะไรคือสิ่งที่ขวางไม่ให้ความชอบนั้นกลายเป็น Purchase

เมื่อทีมเชื่อม ViewContent, AddToWishlist, AddToCart, Purchase และ Revenue เข้าด้วยกัน Wishlist จะไม่ใช่แค่ปุ่มรูปหัวใจ แต่กลายเป็นข้อมูลที่ช่วยแยก Product Desire ออกจาก Purchase Readiness และหาโอกาสแก้ Conversion Gap ได้ลึกขึ้น

DigitalD2M — วางกลยุทธ์การตลาดออนไลน์ โฆษณา และระบบ AI Marketing ให้ธุรกิจเติบโตอย่างวัดผลได้